Une équipe internationale du centre de recherche GSI/FAIR, en Allemagne, a mis au point RHINE, un modèle de simulation fondé sur l’apprentissage automatique pour étudier la formation des éléments lourds lors des fusions d’étoiles à neutrons. Présenté dans la revue Physical Review D, l’outil repose sur un réseau de neurones capable d’estimer l’énergie libérée par le processus de capture rapide de neutrons.
La naissance des éléments lourds demeure l’une des grandes énigmes de l’astrophysique contemporaine. Or, plomb, uranium : leur genèse se joue lors d’événements cataclysmiques, quand deux étoiles à neutrons entrent en collision. Dans des conditions extrêmes, le processus de capture rapide de neutrons, ou processus r, assemble des noyaux de plus en plus massifs. Simuler de telles réactions exige des ressources de calcul colossales. Une équipe de recherche internationale du centre GSI/FAIR vient de publier dans Physical Review D un modèle baptisé RHINE, qui mobilise l’apprentissage profond pour alléger la charge computationnelle.
Un réseau de neurones entraîné à prédire le chauffage nucléaire
RHINE, acronyme de « r-process heating implementation in hydrodynamic simulations with neural networks », s’attaque à un aspect précis des simulations : l’estimation de l’énergie libérée par les réactions nucléaires du processus r. Ce dégagement thermique influence directement la dynamique des éjectas stellaires, mais son calcul rigoureux ralentit fortement les modèles hydrodynamiques existants.
« Des chercheurs du monde entier s’efforcent de rendre ces réactions complexes compréhensibles grâce à des simulations théoriques. Cependant, modéliser l’ensemble des paramètres nécessite une puissance de calcul considérable, c’est pourquoi les modèles doivent souvent être simplifiés », explique le Dr Oliver Just, premier auteur de l’étude et chercheur au département d’Astrophysique nucléaire et de Structure de GSI/FAIR. « Notre nouveau modèle RHINE, qui repose sur l’intelligence artificielle, offre une alternative efficace. »
Concrètement, le réseau de neurones est d’abord entraîné sur un vaste ensemble de calculs de référence issus d’une suite complète de réactions nucléaires. Une fois l’apprentissage réalisé, il est déployé au sein de simulations hydrodynamiques en cours d’exécution pour approximer les taux de chauffage durant le processus r. L’avantage : un effort computationnel très inférieur à celui des méthodes traditionnelles, sans sacrifier la précision des résultats.
Une validation rigoureuse et des économies de calcul tangibles
Le Dr Zewei Xiong, qui a joué un rôle central dans la conception des modèles d’apprentissage automatique au GSI/FAIR, souligne que des comparaisons détaillées ont permis de valider l’approche par rapport aux données de référence. « Le haut degré de concordance suggère que l’utilisation de modèles d’AA peut permettre d’économiser un temps de calcul considérable », déclare-t-il. « Nous avons également déduit des résultats que le chauffage par processus r est un effet important qui devrait être mieux pris en compte dans les modélisations futures. »
L’énergie libérée au cours du processus r peut en effet modifier la dynamique et la vitesse des matériaux éjectés lors des fusions d’étoiles à neutrons. Cette libération thermique agit directement sur le rayonnement électromagnétique observé sous forme de kilonova, ces éclats lumineux qui accompagnent les collisions d’astres compacts. Une modélisation plus fine du chauffage nucléaire améliorerait donc l’interprétation des observations astronomiques de phénomènes transitoires.
Un pont entre laboratoire et cosmos
Les chercheurs anticipent que RHINE pourrait, à terme, établir une connexion entre les résultats expérimentaux du futur accélérateur de particules FAIR, actuellement en construction à Darmstadt, et les observations d’explosions stellaires et de fusions d’étoiles à neutrons. Le code source de RHINE a été rendu public, permettant à la communauté astrophysique de l’intégrer dans ses propres travaux.
Financé en partie par le Conseil européen de la recherche, ce projet illustre l’intérêt grandissant pour les méthodes d’apprentissage automatique appliquées à l’astrophysique nucléaire, un domaine où les besoins en calcul surpassent souvent les capacités des infrastructures disponibles.
Article : « 𝑟-process heating implementation in hydrodynamic simulations with neural networks » – DOI : 10.1103/gl2l-7f3g
Source : GSI
